Rachunek prawdopodobieństwa MAP1151 Wydział Elektroniki, rok akad. 2011/12, sem. letni Wykładowca: dr hab. A. Jurlewicz

Wielkość: px
Rozpocząć pokaz od strony:

Download "Rachunek prawdopodobieństwa MAP1151 Wydział Elektroniki, rok akad. 2011/12, sem. letni Wykładowca: dr hab. A. Jurlewicz"

Transkrypt

1 Rchuek prwdopodobieństw MA5 Wydził Elektroiki, rok kd. 20/2, sem. leti Wykłdowc: dr hb. A. Jurlewicz Wykłd 7: Zmiee losowe dwuwymirowe. Rozkłdy łącze, brzegowe. Niezleżość zmieych losowych. Momety. Współczyik korelcji. Sumowie iezleżych zmieych losowych. rwo wielkich liczb. Zmiee losowe dwuwymirowe, rozkłd łączy, rozkłdy brzegowe. Defiicj. Zmie losow dwuwymirow to wektor (X, Y ), którego skłdowe X, Y są zmieymi losowymi. Rozkłd wektor losowego (X, Y ) to fukcj ((X, Y ) C), gdzie C to borelowski podzbiór płszczyzy R 2. Nzywmy go rozkłdem łączym zmieych losowych X, Y. Rozkłd zmieej losowej X i rozkłd zmieej losowej Y zywmy rozkłdmi brzegowymi wektor losowego (X, Y ). eł iformcj o rozkłdzie łączym zmieych losowych X, Y zwrt jest: () w dystrybucie tego rozkłdu, czyli fukcji F X,Y (x, y) = (X < x, Y < y) (b) w przypdku dyskretego wektor losowego (X, Y ) zwrt jest tkże w ciągu trójek {(x, y k, p k ), T N, k T 2 N}, gdzie {x, T } orz {y k, k T 2 } to ciągi wszystkich wrtości przyjmowych odpowiedio przez X i Y z dodtimi prwdopodobieństwmi, tomist p k = (X = x, Y = y k ), T, k T 2. (Ciągi {x, T } orz {y k, k T 2 } muszą być różowrtościowe, tomist p k 0 dl wszystkich, k orz p k =, by rozkłd był dobrze określoy.) k T 2 T (c) w przypdku ciągłego rozkłdu wektor losowego (X, Y ) zwrt jest tkże w gęstości łączej f(x, y), czyli tkiej fukcji f(x, y) 0 dl kżdego (x, y), że F X,Y (x, y) = x ds y f(s, t)dt (Aby fukcj f(x, y) był gęstością pewego rozkłdu prwdopodobieństw musi spełić wruki: f(x, y) 0 dl kżdego (x, y) orz dx f(x, y)dy =.)

2 Fkt: Jeśli zmy rozkłd łączy, to zmy też rozkłdy brzegowe, gdyż: F X (x) = (X < x) = (X < x, Y < ) = y lim F X,Y (x, y), F Y (y) = (Y < y) = (X <, Y < y) = x lim F X,Y (x, y) W przypdku dyskretego wektor losowego (X, Y ) zdego cigiem {(x, y k, p k ), T, k T 2 }: rozkłd zmieej losowej X zdy jest ciągiem {(x, p ), T }, gdzie p = (X = x ) = (X = x, Y = y k ) = p k k T 2 k T 2 odobie, rozkłd zmieej losowej Y zdy jest ciągiem {(y k, p k ), k T 2 }, gdzie p k = (Y = y k ) = (X = x, Y = y k ) = p k T T W przypdku wektor o rozkłdzie ciągłym o gęstości łączej f(x, y) moż pokzć, że: rozkłd zmieej losowej X jest ciągły o gęstości f X (x) = rozkłd zmieej losowej Y jest ciągły o gęstości f Y (y) = f(x, y)dy, f(x, y)dx. Niezleżość zmieych losowych Defiicj. Zmiee losowe X i Y są iezleże, gdy dl dowolych borelowskich zbiorów B i B 2 zdrzei {X B } i {Y B 2 } są iezleże, tz. (X B, Y B 2 ) = (X B ) (Y B 2 ). Zmiee losowe X, X 2,..., X są iezleże, gdy dl dowolych borelowskich zbiorów B, B 2,..., B rodzi {{X i B i }, i =, 2,..., } jest rodzią zdrzeń iezleżych. Fkt. Zmiee losowe X i Y są iezleże wtedy i tylko wtedy, gdy dl kżdego (x, y) F X,Y (x, y) = F X (x)f Y (y). W przypdku rozkłdu dyskretego wruek te jest rówowży wrukowi p k = p p k dl kżdego (, k) z odpowiediego zkresu. W przypdku rozkłdu ciągłego wrukiem rówowżym jest f(x, y) = f X (x)f Y (y) dl prwie wszystkich (x, y) (tz. rówość może ie zchodzić zbiorze o polu 0). rzykłdy do zd. 5., 5.2 2

3 Wrtość oczekiw i mcierz kowricji zmieej losowej dwuwymirowej. Współczyik korelcji. Defiicj. (EX, EY ) to wektor wrtości oczekiwych zmieej losowej dwuwymirowej (X, Y ). Cov(X, Y ) = EXY EXEY - współczyik kowricji zmieych X i Y [ D 2 ] X Cov(X, Y ) Cov(X, Y ) D 2 to mcierz kowricji zmieej losowej dwuwymirowej (X, Y ) Y rmetry te są dobrze określoe, o ile istieją wrtości oczekiwe i wricje zmieych losowych X i Y Fkt. Dl dowolej fukcji borelowskiej EZ = Eg(X, Y ) = g(x, y k )p k, T k T 2 = g(x, y)f(x, y)dxdy, o ile cłk (szereg) zbieże. Stąd jeśli istieją EX i EY, to orz jeśli istieją D 2 X i D 2 Y, to Defiicj. g(x, y)df X,Y (x, y) = gdy X m rozkłd dyskrety zdy ciągiem {(x, y k, p k ), T, k T 2 }; gdy X m rozkłd ciągły o gęstości f(x, y). E(X + Y ) = EX + EY D 2 (X + Y ) = D 2 X + D 2 Y + 2Cov(X, Y ). rzy złożeiu, że istieją D 2 X > 0 i D 2 Y > 0, określmy współczyik korelcji zmieych losowych X i Y jko: Włsości współczyik korelcji: ρ XY. ρ XY = Cov(X, Y ) D2 X D 2 Y. ρ XY = wtedy i tylko wtedy, gdy Y = X + b dl pewych stłych 0, b, przy czym ρ XY = odpowid > 0, ρ XY = odpowid < 0 (peł liiow zleżość Y od X). Gdy ρ XY = 0, mówimy, że X i Y są ieskorelowe. rzykłdy do zd

4 Fkt. Jeżeli zmiee losowe X i Y są iezleże orz ich wrtości oczekiwe i wricje istieją, przy czym wricje są iezerowe, to EXY = EXEY stąd orz ρ XY = 0. D 2 (X + Y ) = D 2 X + D 2 Y Ztem jeśli zmiee losowe o skończoych i iezerowych wricjch są iezleże, to są też ieskorelowe. Implikcj odwrot ie jest prwdziw. rzykłdy do zd. 5.4 Sum iezleżych zmieych losowych. X i Y to iezleże zmiee losowe odpowiedio o dystrybutch F X (x) i F Y (y). Wówczs Z = X + Y m rozkłd o dystrybucie F X+Y (z) = Jest to tzw. splot dystrybut (mir). F X (z y)df Y (y). Jeśli X i Y mją rozkłdy ciągłe o gęstościch odpowiedio f X (x) i f Y (y), to Z = X + Y też m rozkłd ciągły o gęstości f X+Y (z) = Jest to zy m splot gęstości. f X (z y)f Y (y)dy = (f X f Y )(z). 4

5 Zbieżości ciągu zmieych losowych z prwdopodobieństwem i stochstycz. Defiicj. Ciąg zmieych losowych X, X 2,... jest zbieży z prwdopodobieństwem (i. prwie pewo) do zmieej losowej X, jeżeli Ozczeie: X X, X (ω : lim X (ω) = X(ω)) =. p.. X, lim X = X z prwd.. Uwg: Ciąg zbieży puktowo jest zbieży z prwdopodobieństwem. (Ciąg X, X 2,... jest zbieży puktowo do X, jeżeli lim X (ω) = X(ω) dl kżdego ω Ω.) Zbieżość stochstycz: Defiicj. Ciąg zmieych losowych X, X 2,... jest zbieży stochstyczie (i. według prwdopodobieństw) do zmieej losowej X, jeżeli Ozczeie: X Fkt. () Jeżeli X X, to X (b) Jeżeli X ɛ>0 X, lim X = X. X. ( X X ɛ) 0. X, to istieje podciąg (X k ) cigu (X ), tki że X k X. 5

6 rw wielkich liczb (WL) Defiicj. Niech X, X 2,... będzie ciągiem zmieych losowych o skończoych wrtościch oczekiwych EX = m. Niech S = X + X X, = m + m m. Mówimy, że ciąg (X ) spełi słbe prwo wielkich liczb (SWL), gdy S = (X k m k ) 0. Mówimy, że ciąg te spełi moce prwo wielkich liczb (MWL), gdy Oczywiście MWL = SWL. S 0. WL dl ciągów zmieych losowych o jedkowym rozkłdzie Twierdzeie Chiczy. Niech (X ) będzie ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie, przy czym E X <. Wtedy ciąg te spełi SWL, które w tym przypdku moż zpisć w postci S = X k m = EX. MWL Kołmogorow. Niech (X ) będzie ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie. Ciąg te spełi MWL, które w tym przypdku moż zpisć w postci S = wtedy i tylko wtedy, gdy E X <. X k m = EX. 6

7 Szczególy przypdek: Jeżeli (X ) to ciąg iezleżych zmieych losowych o jedkowym rozkłdzie zerojedykowym B(, p), tz. (X = ) = p = (X = 0), to S m rozkłd Beroulliego B(, p), tki jk rozkłd ilości sukcesów w próbch Beroulliego z prwdopodobieństwem sukcesu p, m = EX = p. rwo wielkich liczb Beroulliego, twierdzeie Borel: Niech S będzie liczbą sukcesów w próbch Beroulliego z prwdopodobieństwem sukcesu p. Wtedy zchodzi WL Beroulliego (XVII/XVIII w.) (SWL) S p. twierdzeie Borel (pocz. XX w.) (MWL) S p. Iterpretcj: Częstość występowi sukcesu w próbch Beroulliego przybliż przy dużym prwdopodobieństwo p sukcesu w pojedyczej próbie. Odpowid to obserwcjom z tury, że częstość zdrzei losowego stbilizuje się pewym poziomie. rzykłdy do zd

8 rzykłdy zstosowń WL Metod Mote Crlo obliczi cłek ozczoych: Niech X, X 2,... X będzie ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie jedostjym przedzile [, b] orz iech f będzie fukcją rzeczywistą tką, że Ef(X ) istieje i jest skończo. rzy powyższych złożeich f(x ), f(x 2 ),... f(x ) jest tkże ciągiem iezleżych zmieych losowych o jedkowym rozkłdzie, przy czym istieje wrtość oczekiw Ef(X ). odto Ef(X ) = b b f(x)dx. Z MWL Kołmogorow mmy f(x k ) z pr. Ef(X ) = b f(x)dx. b Możemy ztem do obliczi przybliżoej wrtości cłki ozczoej b stępujący lgorytm: f(x)dx zstosowć (i) losujemy iezleżie liczby u, u 2,..., u z rozkłdu jedostjego U[0, ]; (ii) przeksztłcmy x k = + (b )u k dl k =, 2,..., otrzymując w te sposób próbkę z rozkłdu U(, b); (iii) jko przybliżoą wrtość cłki przyjmujemy b f(x)dx b f(x k ). rzykłdowy progrm w Mtlbie fuctio clkowiemotecrlo N=0000; %N - ilość prób Mote Crlo %(im wieksze N, tym wyik przyblizoy blizszy rzeczywistej wrtosci clki) =-; % - pocztek przedzilu clkowi b=; %b - koiec przedzilu clkowi %geerujemy x, x 2,..., x N z rozkłdu jedostjego przedzile (, b) x=+(b-)*rd(,n); %liczymy wrtości fukcji podcłkowej f(x ), f(x 2 ),..., f(x N ), gdzie f(x) = x 2 f=sqrt(-x.ˆ2); %obliczmy przybliżoą wrtość cłki ze wzoru b f(x k ) clk=(b-)/n*sum(f) Uwg: b f(x)dx = x2 dx = π, Kilk otrzymych wyików przybliżoych:,5725;,5680;,5736;,

9 Dystrybut empirycz: Rozwżmy ciąg X, X 2,... X iezleżych zmieych losowych o jedkowym rozkłdzie opisym dystrybutą F (x). Ciąg te iterpretujemy jko opis wyików iezleżych pomirów pewej wielkości fizyczej X, dokoywych w tych smych wrukch fizyczych. Wrtości x, x 2,... x zmieych losowych w tym ciągu to wyiki kokretych tkich pomirów. Ciąg X, X 2,... X zywmy próbą prostą. Niech S (x; X, X 2,... X ) ozcz ilość elemetów próby prostej, których wrtość jest miejsz iż x. F (x; X, X 2,... X ) = S (x; X, X 2,... X ) (lbo F (x; x, x 2,... x )) zywmy dystrybutą empiryczą. Zuwżmy, że S (x; X, X 2,... X ) ozcz ilość tych X i, których wrtość jest miejsz iż x. Jest to ztem ilość sukcesów w próbch Beroulliego, gdzie sukces w itej próbie to zdrzeie {X i < x} i p = (X i < x) = F (x) iezleżie od i. Ztem S (x; X, X 2,... X ) m rozkłd Beroulliego B(, p = F (x)). Z tw. Borel otrzymujemy, że F (x; X, X 2,... X ) = S (x; X, X 2,... X ) p = F (x). Iczej mówiąc, dl dużych, dl prwie kżdej wrtości (x, x 2,... x ) wektor losowego (X, X 2,... X ) mmy F (x; x, x 2,... x ) F (x), czyli dystrybut empirycz jest w przybliżeiu rów dystrybucie teoretyczej F. = rzykłd: Niebieski wykres: F (x) = e x dl x > 0, czerwoy wykres: relizcj dystrybuty empiryczej. 0 = =

Wykład 12: Sumowanie niezależnych zmiennych losowych i jego związek ze splotem gęstości i transformatami Laplace a i Fouriera. Prawo wielkich liczb.

Wykład 12: Sumowanie niezależnych zmiennych losowych i jego związek ze splotem gęstości i transformatami Laplace a i Fouriera. Prawo wielkich liczb. Rchuek prwdopodobieństw MA064 Wydził Elektroiki, rok kd. 2008/09, sem. leti Wykłdowc: dr hb. A. Jurlewicz Wykłd 2: Sumowie iezleżych zmieych losowych i jego związek ze splotem gęstości i trsformtmi Lplce

Bardziej szczegółowo

Wykład 9: Różne rodzaje zbieżności ciągów zmiennych losowych. Prawa wielkich liczb.

Wykład 9: Różne rodzaje zbieżności ciągów zmiennych losowych. Prawa wielkich liczb. Rchuek prwopoobieństw MA1181 Wyził T, MS, rok k. 2013/14, sem. zimowy Wykłowc: r hb. A. Jurlewicz Wykł 9: Róże rozje zbieżości ciągów zmieych losowych. rw wielkich liczb. Zbieżość z prwopoobieństwem 1:

Bardziej szczegółowo

1 Twierdzenia o granicznym przejściu pod znakiem całki

1 Twierdzenia o granicznym przejściu pod znakiem całki 1 Twierdzeia o graiczym przejściu pod zakiem całki Ozaczeia: R + = [0, ) R + = [0, ] (X, M, µ), gdzie M jest σ-ciałem podzbiorów X oraz µ: M R + - zbiór mierzaly, to zaczy M Twierdzeie 1.1. Jeżeli dae

Bardziej szczegółowo

Wykład 8: Całka oznanczona

Wykład 8: Całka oznanczona Wykłd 8: Cłk ozczo dr Mriusz Grządziel grudi 28 Pole trójkt prboliczego Problem. Chcemy obliczyć pole s figury S ogriczoej prostą y =, prostą = i wykresem fukcji f() = 2. Rozwizie przybliżoe. Dzielimy

Bardziej szczegółowo

I. CIĄGI I SZEREGI FUNKCYJNE. odwzorowań zbioru X w zbiór R [lub C] nazywamy ciągiem funkcyjnym.

I. CIĄGI I SZEREGI FUNKCYJNE. odwzorowań zbioru X w zbiór R [lub C] nazywamy ciągiem funkcyjnym. I. CIĄGI I SZEREGI FUNKCYJNE 1. Zbieżość puktow i jedostj ciągów fukcyjych Niech X będzie iepustym podzbiorem zbioru liczb rzeczywistych R (lub zbioru liczb zespoloych C). Defiicj 1.1. Ciąg (f ) N odwzorowń

Bardziej szczegółowo

Wykład 1 Pojęcie funkcji, nieskończone ciągi liczbowe, dziedzina funkcji, wykres funkcji, funkcje elementarne, funkcje złożone, funkcje odwrotne.

Wykład 1 Pojęcie funkcji, nieskończone ciągi liczbowe, dziedzina funkcji, wykres funkcji, funkcje elementarne, funkcje złożone, funkcje odwrotne. Wykłd Pojęcie fukcji, ieskończoe ciągi liczbowe, dziedzi fukcji, wykres fukcji, fukcje elemetre, fukcje złożoe, fukcje odwrote.. Fukcje Defiicj.. Mówimy, że w zbiorze liczb X jest określo pew fukcj f,

Bardziej szczegółowo

3.1. Ciągi liczbowe - ograniczoność, monotoniczność, zbieżność ciągu. Liczba e. Twierdzenie o trzech ciągach.

3.1. Ciągi liczbowe - ograniczoność, monotoniczność, zbieżność ciągu. Liczba e. Twierdzenie o trzech ciągach. WYKŁAD 6 3 RACHUNEK RÓŻNICZKOWY I CAŁKOWY FUNKCJI JEDNEJ ZMIENNEJ 31 Ciągi liczbowe - ogriczoość, mootoiczość, zbieżość ciągu Liczb e Twierdzeie o trzech ciągch 3A+B1 (Defiicj: ieskończoość) Symbole,,

Bardziej szczegółowo

Zadania z analizy matematycznej - sem. II Całki oznaczone i zastosowania

Zadania z analizy matematycznej - sem. II Całki oznaczone i zastosowania Zdi z lizy mtemtyczej - sem. II Cłki ozczoe i zstosowi Defiicj. Niech P = x x.. x będzie podziłem odcik [ b] części ( N przy czym x k = x k x k gdzie k δ(p = mx{ x k : k } = x < x

Bardziej szczegółowo

CIĄGI LICZBOWE N = zbiór liczb naturalnych. R zbiór liczb rzeczywistych (zbiór reprezentowany przez punkty osi liczbowej).

CIĄGI LICZBOWE N = zbiór liczb naturalnych. R zbiór liczb rzeczywistych (zbiór reprezentowany przez punkty osi liczbowej). MATEMATYKA I - Lucj Kowlski {,,,... } CIĄGI LICZBOWE N zbiór liczb turlych. R zbiór liczb rzeczywistych (zbiór reprezetowy przez pukty osi liczbowej. Nieskończoy ciąg liczbowy to przyporządkowie liczbom

Bardziej szczegółowo

5. CIĄGI. 5.1 Definicja ciągu. Ciągiem liczbowym nazywamy funkcję przyporządkowującą każdej liczbie naturalnej n liczbę rzeczywistej.

5. CIĄGI. 5.1 Definicja ciągu. Ciągiem liczbowym nazywamy funkcję przyporządkowującą każdej liczbie naturalnej n liczbę rzeczywistej. 5 CIĄGI 5 Defiicj ciągu Ciągiem liczbowym zywmy fukcję przyporządkowującą kżdej liczbie turlej liczbę rzeczywistej Ciąg zpisujemy często wyliczjąc wyrzy,, lub używmy zpisu { } lbo ( ) Ciągi liczbowe moż

Bardziej szczegółowo

7. Szeregi funkcyjne

7. Szeregi funkcyjne 7 Szeregi ukcyje Podstwowe deiicje i twierdzei Niech u,,,, X o wrtościch w przestrzei Y będą ukcjmi określoymi zbiorze X Mówimy, że szereg ukcyjy u jest zbieży puktowo do sumy, jeżeli ciąg sum częściowych

Bardziej szczegółowo

Zasada indukcji matematycznej. Dowody indukcyjne.

Zasada indukcji matematycznej. Dowody indukcyjne. Zsd idukcji mtemtyczej. Dowody idukcyje. W rozdzile sformułowliśmy dl liczb turlych zsdę miimum. Bezpośredią kosekwecją tej zsdy jest brdzo wże twierdzeie, które umożliwi i ułtwi wiele dowodów twierdzeń

Bardziej szczegółowo

MATLAB PODSTAWY. [ ] tworzenie tablic, argumenty wyjściowe funkcji, łączenie tablic

MATLAB PODSTAWY. [ ] tworzenie tablic, argumenty wyjściowe funkcji, łączenie tablic MTLB PODSTWY ZNKI SPECJLNE symbol przypisi [ ] tworzeie tblic, rgumety wyjściowe fukcji, łączeie tblic { } ideksy struktur i tblic komórkowych ( ) wisy do określi kolejości dziłń, do ujmowi ideksów tblic,

Bardziej szczegółowo

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 8: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA5 Wyział Elektroiki, rok aka 20/2, sem leti Wykłaowca: r hab A Jurlewicz Wykła 8: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług rozkłau

Bardziej szczegółowo

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne.

Wykład 13: Zbieżność według rozkładu. Centralne twierdzenie graniczne. Rachuek prawopoobieństwa MA064 Wyział Elektroiki, rok aka 2008/09, sem leti Wykłaowca: r hab A Jurlewicz Wykła 3: Zbieżość weług rozkłau Cetrale twierzeie graicze Zbieżości ciągu zmieych losowych weług

Bardziej szczegółowo

Ciągi liczbowe podstawowe definicje i własności

Ciągi liczbowe podstawowe definicje i własności Ciągi liczbowe podstwowe defiicje i włsości DEF *. Ciągiem liczbowym (ieskończoym) zywmy odwzorowie zbioru liczb turlych w zbiór liczb rzeczywistych, tj. :. Przyjęto zpis:,,...,,... Przy czym zywmy -tym

Bardziej szczegółowo

Wykład 2. Pojęcie całki niewłaściwej do rachunku prawdopodobieństwa

Wykład 2. Pojęcie całki niewłaściwej do rachunku prawdopodobieństwa Wykłd 2. Pojęcie cłki niewłściwej do rchunku prwdopodobieństw dr Mriusz Grządziel 4 mrc 24 Pole trpezu krzywoliniowego Przypomnienie: figurę ogrniczoną przez: wykres funkcji y = f(x), gdzie f jest funkcją

Bardziej szczegółowo

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne

Niezależność zmiennych, funkcje i charakterystyki wektora losowego, centralne twierdzenia graniczne Wykład 4 Niezależość zmieych, fukcje i charakterystyki wektora losowego, cetrale twierdzeia graicze Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

Analiza Matematyczna

Analiza Matematyczna Aliz Mtemtycz Przykłdy: Cłki ozczoe. Oprcowie: dr hb. iż. Agieszk Jurlewicz, prof. PWr Przykłd 9. : Korzystjąc z defiicji cłki ozczoej orz fktu, że fukcj ciągł jest cłkowl, oblicz e x dx przyjmując podził

Bardziej szczegółowo

2. Ciągi liczbowe. Definicja 2.1 Funkcję a : N R nazywamy ciągiem liczbowym. Wartość funkcji a(n) oznaczamy symbolem a

2. Ciągi liczbowe. Definicja 2.1 Funkcję a : N R nazywamy ciągiem liczbowym. Wartość funkcji a(n) oznaczamy symbolem a Ciągi liczbowe Defiicj Fukcję : N R zywmy iem liczbowym Wrtość fukcji () ozczmy symbolem i zywmy -tym lub ogólym wyrzem u Ciąg Przykłdy Defiicj róŝic zpisujemy rówieŝ w postci { } + Ciąg liczbowy { } zywmy

Bardziej szczegółowo

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem

Bardziej szczegółowo

CIĄGI LICZBOWE N 1,2,3,... zbiór liczb naturalnych. R zbiór liczb rzeczywistych (zbiór reprezentowany przez punkty osi liczbowej).

CIĄGI LICZBOWE N 1,2,3,... zbiór liczb naturalnych. R zbiór liczb rzeczywistych (zbiór reprezentowany przez punkty osi liczbowej). Ciągi i szeregi - Lucj owlski CIĄGI LICZBOWE N,,,... zbiór liczb turlych. R zbiór liczb rzeczywistych (zbiór reprezetowy przez pukty osi liczbowej). Nieskończoy ciąg liczbowy to przyporządkowie liczbom

Bardziej szczegółowo

P ( i I A i) = i I P (A i) dla parami rozłącznych zbiorów A i. F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) = 1.

P ( i I A i) = i I P (A i) dla parami rozłącznych zbiorów A i. F ( ) = lim t F (t) = 0, F (+ ) = lim t + F (t) = 1. Podstawy teorii miary probabilistyczej. Zbiory mierzale σ ciało zbiorów Załóżmy, że mamy jakiś zbiór Ω. Niech F będzie taką rodzią podzbiorów Ω, że: Ω F A F A F i I A i F i I A i F Wtedy rodzię F azywamy

Bardziej szczegółowo

MATHCAD 2000 - Obliczenia iteracyjne, macierze i wektory

MATHCAD 2000 - Obliczenia iteracyjne, macierze i wektory MTHCD - Obliczei itercyje, mcierze i wektory Zmiee zkresowe. Tblicowie fukcji Wzór :, π.. π..8.9...88.99..8....8.98. si().9.88.89.9.9.89.88.9 -.9 -.88 -.89 -.9 - Opis, :,, przeciek, Ctrl+Shift+P, /,, ;średik,

Bardziej szczegółowo

Algebra WYKŁAD 5 ALGEBRA 1

Algebra WYKŁAD 5 ALGEBRA 1 lger WYKŁD 5 LGEBR Defiicj Mcierzą ieosoliwą zywmy mcierz kwdrtową, której wyzczik jest róży od zer. Mcierzą osoliwą zywmy mcierz, której wyzczik jest rówy zeru. Defiicj Mcierz odwrot Mcierzą odwrotą do

Bardziej szczegółowo

4. Rekurencja. Zależności rekurencyjne, algorytmy rekurencyjne, szczególne funkcje tworzące.

4. Rekurencja. Zależności rekurencyjne, algorytmy rekurencyjne, szczególne funkcje tworzące. 4. Reurecj. Zleżości reurecyje, lgorytmy reurecyje, szczególe fucje tworzące. Reurecj poleg rozwiązywiu problemu w oprciu o rozwiązi tego smego problemu dl dych o miejszych rozmirch. W iformtyce reurecj

Bardziej szczegółowo

Ciągi i szeregi funkcyjne

Ciągi i szeregi funkcyjne Mteriły do ćwiczeń Aliz Mtemtycz II 7/8 Mri Frotczk, Ludwik Kczmrek, Ktrzy Klimczk, Mri Michlsk, Bet Osińsk-Ulrych, Tomsz Rodk, Adm Różycki, Grzegorz Sklski, Stisłw Spodziej Teori pod przed ćwiczeimi pochodzi

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka matematyczna.

Rachunek prawdopodobieństwa i statystyka matematyczna. Rchunek rwdoodobieństw i sttystyk mtemtyczn. Zd 8. {(, : i } Zleżność tą możn rzedstwić w ostci nstęującej interretcji grficznej: Arkdiusz Kwosk Rfł Kukliński Informtyk sem.4 gr. Srwdźmy, czy odne zmienne

Bardziej szczegółowo

Wybrane rozkłady prawdopodobieństwa użyteczne w statystyce

Wybrane rozkłady prawdopodobieństwa użyteczne w statystyce Wyre rozkłdy prwdopodoieństw żytecze w sttystyce Rozkłd chi-kwdrt o stopich swoody - to rozkłd sy kwdrtów iezleżych zieych losowych o stdryzowy rozkłdzie orly N tz iid N = i i rozkłd y o kcji gęstości

Bardziej szczegółowo

WYKŁAD 7. UKŁADY RÓWNAŃ LINIOWYCH Macierzowa Metoda Rozwiązywania Układu Równań Cramera

WYKŁAD 7. UKŁADY RÓWNAŃ LINIOWYCH Macierzowa Metoda Rozwiązywania Układu Równań Cramera /9/ WYKŁ. UKŁY RÓWNŃ LINIOWYCH Mcierzow Metod Rozwiązywi Ukłdu Rówń Crmer Ogól postć ukłdu rówń z iewidomymi gdzie : i i... ozczją iewidome; i R k i R i ik... ;... efiicj Ukłdem Crmer zywmy tki ukłd rówń

Bardziej szczegółowo

Szeregi o wyrazach dowolnych znaków, dwumian Newtona

Szeregi o wyrazach dowolnych znaków, dwumian Newtona Poprwi lem 9 czerwc 206 r, godz 20:0 Twierdzeie 5 kryterium Abel Dirichlet Niech be dzie ieros cym ci giem liczb dodtich D Jeśli 0 i ci g sum cze ściowych szeregu b jest ogriczoy, to szereg b jest zbieży

Bardziej szczegółowo

Notatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski

Notatki z Analizy Matematycznej 4. Jacek M. Jędrzejewski Nottki z Anlizy Mtemtycznej 4 Jcek M. Jędrzejewski ROZDZIAŁ 7 Cłk Riemnn 1. Cłk nieoznczon Definicj 7.1. Niech f : (, b) R będzie dowolną funkcją. Jeżeli dl pewnej funkcji F : (, b) R spełnion jest równość

Bardziej szczegółowo

- macierz o n wierszach i k kolumnach. Macierz jest diagonalna jeśli jest kwadratowa i po za główną przekątną (diagonala) są

- macierz o n wierszach i k kolumnach. Macierz jest diagonalna jeśli jest kwadratowa i po za główną przekątną (diagonala) są Powtórzeie z Algebry 1. Mcierz A k 1 11 1 1k 1 k k - mcierz o wierszch i k kolumch Mcierz est kwdrtow eśli m tyle smo wierszy co kolum ( = k). Mcierz est digol eśli est kwdrtow i po z główą przekątą (digol)

Bardziej szczegółowo

Powtórka dotychczasowego materiału.

Powtórka dotychczasowego materiału. Powtórk dotychczsowego mteriłu. Zdi do smodzielego rozwiązi. N ćwiczeich w środę 7.6.7 grupy 4 leży wskzć zdi, które sprwiły jwięcej problemów. 43. W kżdym z zdń 43.-43.5 podj wzór fukcję różiczkowlą f

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VI: Metoda Mote Carlo 17 listopada 2014 Zastosowaie: przybliżoe całkowaie Prosta metoda Mote Carlo Przybliżoe obliczaie całki ozaczoej Rozważmy całkowalą fukcję f : [0, 1] R. Chcemy zaleźć przybliżoą

Bardziej szczegółowo

Ekoenergetyka Matematyka 1. Wykład 8. CIĄGI LICZBOWE

Ekoenergetyka Matematyka 1. Wykład 8. CIĄGI LICZBOWE Ekoeergetk Mtemtk 1. Wkłd 8. CIĄGI LICZBOWE Defiicj (ciąg liczbow) Ciągiem liczbowm zwm fukcję odwzorowującą zbiór liczb turlch w zbiór liczb rzeczwistch. Wrtość tej fukcji dl liczb turlej zwm -tm wrzem

Bardziej szczegółowo

3. F jest lewostronnie ciągła

3. F jest lewostronnie ciągła Def. Zmienną losową nzywmy funkcję X: tką, że x R : { : X( ) < x }. Ozn.: zmist pisd A = { : X( ) < x } piszemy A = { X < x } zdrzenie poleg n tym, że X( )

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa

Bardziej szczegółowo

Wybrane zagadnienia. Wykład 2a. Metoda simpleks rozwiązywania zadań programowania liniowego.

Wybrane zagadnienia. Wykład 2a. Metoda simpleks rozwiązywania zadań programowania liniowego. Wybre zgdiei bdń opercyjych Wykłd Metod simpleks rozwiązywi zdń progrmowi liiowego Prowdzący: dr iiż.. Zbiigiiew TARAPATA De kotktowe: e-mil: WWW: Zbigiew.Trpt@wt.edu.pl http://trpt.stref.pl tel. : 83-94-3,

Bardziej szczegółowo

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE

ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE RACHUNEK PRAWDOPODOBIEŃSTWA WYKŁAD 8. ZBIEŻNOŚĆ CIĄGU ZMIENNYCH LOSOWYCH. TWIERDZENIA GRANICZNE 1 Zbieżość ciągu zmieych losowych z prawdopodobieństwem 1 (prawie apewo) Ciąg zmieych losowych (X ) jest

Bardziej szczegółowo

Analiza Matematyczna 2 Szeregi liczbowe i funkcyjne

Analiza Matematyczna 2 Szeregi liczbowe i funkcyjne Aliz Mtemtycz 2 Szeregi liczbowe i fukcyje Wydził Mtemtyki wykłdowc T. Dowrowicz 5 kwieti 2017 Wykłdy III i IV SZEREGI LICZBOWE Obrzowo mówiąc, szeregiem, zywmy ciąg, w którym zmist przeików stwimy zki

Bardziej szczegółowo

RACHUNEK CAŁKOWY. Funkcja F jest funkcją pierwotną funkcji f na przedziale I R, jeżeli. F (x) = f (x), dla każdego x I.

RACHUNEK CAŁKOWY. Funkcja F jest funkcją pierwotną funkcji f na przedziale I R, jeżeli. F (x) = f (x), dla każdego x I. RACHUNEK CAŁKOWY Funkcj F jest funkcją pierwotną funkcji f n przedzile I R, jeżeli F (x) = f (x), dl kżdego x I. Przykłd. Niech f (x) = 2x dl x (, ). Wtedy funkcje F (x) = x 2 + 5, F (x) = x 2 + 5, F (x)

Bardziej szczegółowo

< f g = fg. f = e t f = e t. U nas: e t (α 1)t α 2 dt = 0 + (α 1)Γ(α 1)

< f g = fg. f = e t f = e t. U nas: e t (α 1)t α 2 dt = 0 + (α 1)Γ(α 1) Zdnie X,..., X 5 N(6, 5 ) Y,..., Y 6 N(7, 5 ) X N(6, 5 6 ) Ȳ N(7, 5 6 ) Przy złożeniu niezleżności zmiennych mmy: X Ȳ N(, ) po stndryzcji otrzymmy: Ȳ X N(, ) Pr(Ȳ X < ) = Pr(Ȳ X < ) = φ(, 3) = φ(, 3) =,

Bardziej szczegółowo

Analiza numeryczna Kurs INP002009W. Wykład 1 Narzędzia matematyczne. Karol Tarnowski A-1 p.223

Analiza numeryczna Kurs INP002009W. Wykład 1 Narzędzia matematyczne. Karol Tarnowski A-1 p.223 Aaliza umerycza Kurs INP002009W Wykład Narzędzia matematycze Karol Tarowski karol.tarowski@pwr.wroc.pl A- p.223 Pla wykładu Czym jest aaliza umerycza? Podstawowe pojęcia Wzór Taylora Twierdzeie o wartości

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAP1181 Wydział PPT, MS, rok akad. 213/14, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Bardziej szczegółowo

Wykład 3: Transformata Fouriera

Wykład 3: Transformata Fouriera Rchunek prwdopodobieństw MAP64 Wydził Elektroniki, rok kd. 28/9, sem. letni Wykłdowc: dr hb. A. Jurlewicz Wykłd 3: Trnsformt Fourier Złóżmy, że f(t) jest określon n R, ogrniczon, okresow o okresie 2T i

Bardziej szczegółowo

Analiza matematyczna ISIM I

Analiza matematyczna ISIM I Aliz mtemtycz ISIM I Ryszrd Szwrc Spis treści Ciągi liczbowe. Zbieżość ciągów......................... 3. Liczb e.............................. 0 Szeregi liczbowe 3. Łączość i przemieość w sumie ieskończoej.........

Bardziej szczegółowo

N(0, 1) ) = φ( 0, 3) = 1 φ(0, 3) = 1 0, 6179 = 0, 3821 < t α 1 e t dt α > 0. f g = fg. f = e t f = e t. U nas: g = t α 1 g = (α 1)t α 2

N(0, 1) ) = φ( 0, 3) = 1 φ(0, 3) = 1 0, 6179 = 0, 3821 < t α 1 e t dt α > 0. f g = fg. f = e t f = e t. U nas: g = t α 1 g = (α 1)t α 2 Zdnie X,..., X 5 N(6, 5 ) Y,..., Y 6 N(7, 5 ) X N(6, 5 6 ) Ȳ N(7, 5 6 ) Przy złożeniu niezleżności zmiennych mmy: X Ȳ N(, ) po stndryzcji otrzymmy: Ȳ X N(, ) Pr(Ȳ X < ) = Pr(Ȳ X < ) = φ(, 3) = φ(, 3) =,

Bardziej szczegółowo

EAIiIB- Informatyka - Wykład 1- dr Adam Ćmiel zbiór liczb wymiernych

EAIiIB- Informatyka - Wykład 1- dr Adam Ćmiel zbiór liczb wymiernych EAIiIB- Iortyk - Wykłd - dr Ad Ćiel ciel@.gh.edu.pl dr Ad Ćiel (A3-A4 p.3, tel. 3-7, ciel@gh.edu.pl ; http://hoe.gh.edu.pl/~ciel/) Podręcziki Gewert M, Skoczyls Z. Aliz tetycz i. Deiicje twierdzei i wzory,

Bardziej szczegółowo

1 Układy równań liniowych

1 Układy równań liniowych Katarzya Borkowska, Wykłady dla EIT, UTP Układy rówań liiowych Defiicja.. Układem U m rówań liiowych o iewiadomych azywamy układ postaci: U: a x + a 2 x 2 +... + a x =b, a 2 x + a 22 x 2 +... + a 2 x =b

Bardziej szczegółowo

ZADANIA NA POCZA n(n + 1) = 1 3n(n + 1)(n + 2).

ZADANIA NA POCZA n(n + 1) = 1 3n(n + 1)(n + 2). ZADANIA NA POCZA TEK Udowodić, że dl kżdej liczby turlej zchodzi wzór: 3 3 4 = 3 Udowodić, że dl kżdej liczby turlej zchodzi wzór: 3 3 4 = 4 3 3 Udowodić, że dl kżdej liczby turlej zchodzi wzór: 3 3 4

Bardziej szczegółowo

Wykład 3 Jednowymiarowe zmienne losowe

Wykład 3 Jednowymiarowe zmienne losowe Wykład 3 Jednowymiarowe zmienne losowe Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną Definicja 1 Jednowymiarowa zmienna losowa (o wartościach rzeczywistych), określoną na przestrzeni probabilistycznej

Bardziej szczegółowo

MATEMATYKA Przed próbną maturą. Sprawdzian 2. (poziom rozszerzony) Rozwiązania zadań

MATEMATYKA Przed próbną maturą. Sprawdzian 2. (poziom rozszerzony) Rozwiązania zadań MATEMATYKA Przed próbą mturą Sprwdzi (poziom rozszerzoy) Rozwiązi zdń Zdie ( pkt) P Uczeń oblicz potęgi o wykłdikc wymieryc i stosuje prw dziłń potęgc o wykłdikc wymieryc 5 ( ) 7 5 Odpowiedź: C Zdie (

Bardziej szczegółowo

Całki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju

Całki niewłaściwe. Rozdział Wprowadzenie Całki niewłaściwe I rodzaju Rozdził 3 Cłki niewłściwe 3. Wprowdzenie Omwine w poprzednim rozdzile cłki oznczone są cłkmi funkcji ciągłych n przedzile domkniętym, więc funkcji ogrniczonych n przedzile skończonym. Wiele zgdnień prktycznych

Bardziej szczegółowo

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja

Charakterystyki liczbowe zmiennych losowych: wartość oczekiwana i wariancja Charakterystyki liczbowe zmieych losowych: wartość oczekiwaa i wariacja dr Mariusz Grządziel Wykłady 3 i 4;,8 marca 24 Wartość oczekiwaa zmieej losowej dyskretej Defiicja. Dla zmieej losowej dyskretej

Bardziej szczegółowo

Wektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski

Wektory Funkcje rzeczywiste wielu. Matematyka Studium doktoranckie KAE SGH Semestr letni 2008/2009 R. Łochowski Wektory Fukcje rzeczywiste wielu zmieych rzeczywistych Matematyka Studium doktorackie KAE SGH Semestr leti 2008/2009 R. Łochowski Wektory pukty w przestrzei R Przestrzeń R to zbiór uporządkowaych -ek liczb

Bardziej szczegółowo

log lim =log a e, a x 1 =loga, lim a (1+x) ,oiletagranicaistnieje. ,...,jeżeli a n a,tociągśrednicharytmetycznychb n a(odwrotnienie!

log lim =log a e, a x 1 =loga, lim a (1+x) ,oiletagranicaistnieje. ,...,jeżeli a n a,tociągśrednicharytmetycznychb n a(odwrotnienie! Aliz mtemtycz I- www.mimek.pl, Autor: Krzyś Kulewski, pi@zodic.mimuw.edu.pl 1 Ciągi 1. Kżdy ciąg zbieży jest ogriczoy.. Twierdzeie Bolzo-Weierstrss. Kżdy ciąg ogriczoy zwier podciąg zbieży. 3.Gricgóridol

Bardziej szczegółowo

Całka Riemanna Dolna i górna suma całkowa Darboux

Całka Riemanna Dolna i górna suma całkowa Darboux Doln i górn sum cłkow Drboux π = {x 0,..., x k }, x 0 =, x k = b - podził odcink [, b]; x i = x i x i 1, i = 1, 2,..., k; P = P[, b] - rodzin podziłów odcink [, b]. m i = m i (f, π) := inf x [xi 1,x i

Bardziej szczegółowo

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe.

Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Rachunek prawdopodobieństwa MAP3040 WPPT FT, rok akad. 2010/11, sem. zimowy Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 7: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Warunkowa wartość oczekiwana.

Bardziej szczegółowo

Szkice do zajęć z Przedmiotu Wyrównawczego

Szkice do zajęć z Przedmiotu Wyrównawczego Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................

Bardziej szczegółowo

1.1 Pochodna funkcji w punkcie

1.1 Pochodna funkcji w punkcie Pochod fukcji w pukcie BLOK I RACHUNEK RÓŻNICZKOWY I CAŁKOWY Zkłdmy, że fukcj f jest określo w przedzile, ) orz, że, ), jest liczą, dl której + ), ) Liczę zywmy przyrostem rgumetu w pukcie, tomist różicę

Bardziej szczegółowo

PODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych

PODSTAWY BAZ DANYCH Wykład 3 2. Pojęcie Relacyjnej Bazy Danych PODSTAWY BAZ DANYCH Wykłd 3 2. Pojęcie Relcyjnej Bzy Dnych 2005/2006 Wykłd "Podstwy z dnych" 1 Rozkłdlno dlność schemtów w relcyjnych Przykłd. Relcj EGZ(U), U := { I, N, P, O }, gdzie I 10 10 11 N f f

Bardziej szczegółowo

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas Cłki oznczone Definicj, włsności i oblicznie cłek oznczonych. Wrtość średni funkcji. Funkcj górnej grnicy cłkowni. Zstosowni cłek oznczonych. Cłki niewłściwe. Młgorzt Wyrws Ktedr Mtemtyki Wydził Informtyki

Bardziej szczegółowo

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas

Całki oznaczone. Funkcja górnej granicy całkowania. Zastosowania całek oznaczonych. Całki niewłaściwe. Małgorzata Wyrwas Cłki oznczone Definicj, włsności i oblicznie cłek oznczonych. Wrtość średni funkcji. Funkcj górnej grnicy cłkowni. Zstosowni cłek oznczonych. Cłki niewłściwe. Młgorzt Wyrws Ktedr Mtemtyki Wydził Informtyki

Bardziej szczegółowo

Analiza obwodów elektrycznych z przebiegami stochastycznymi. Dariusz Grabowski

Analiza obwodów elektrycznych z przebiegami stochastycznymi. Dariusz Grabowski Aliz obwodów elekryczych z przebiegmi sochsyczymi Driusz Grbowski Pl wysąpiei Sochsycze modele sygłów Procesy sochsycze Przekszłcei procesów sochsyczych przez ukłdy liiowe Ciągłość i różiczkowlość sochsycz

Bardziej szczegółowo

CAŁKA OZNACZONA JAKO SUMA SZEREGU

CAŁKA OZNACZONA JAKO SUMA SZEREGU CAŁKA OZNACZONA JAKO SUMA SZEREGU Rozwżmy funkcję ciągłą x f(x) o wrtościch nieujemnych określoną n przedzile [, b]. Ustlmy [będzie to problem sttystyczny polegjący n dokłdnym sprecyzowniu informcji o

Bardziej szczegółowo

Ciągi i szeregi liczbowe

Ciągi i szeregi liczbowe Ciągi i szeregi liczbowe Defiicj. Jeżeli kżdej liczbie turlej przyporządkow zostł jkś liczb rzeczywist, to mówimy, że zostł określoy ciąg liczbowy (ieskończoy). Formlie ozcz to, że ciąg liczbowy jest fukcją

Bardziej szczegółowo

Zadania i rozwiązania prac domowych z Analizy Matematycznej 1.2 z grupy pana Ryszarda Kopieckiego, semestr letni 2011/2012.

Zadania i rozwiązania prac domowych z Analizy Matematycznej 1.2 z grupy pana Ryszarda Kopieckiego, semestr letni 2011/2012. Zdi i rozwiązi prc domowych z Alizy Mtemtyczej. z grupy p Ryszrd Kopieckiego, semestr leti / Ntli Skowsk . seri UWAGA: wykresów oczywiście rysowć ie trzeb. Co więcej, wykres ie jest dowodem żdego stwierdzei.

Bardziej szczegółowo

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 +

P = 27, 8 27, 9 27 ). Przechodząc do granicy otrzymamy lim P(Y n > Y n+1 ) = P(Z 1 0 > Z 2 X 2 X 1 = 0)π 0 + P(Z 1 1 > Z 2 X 2 X 1 = 1)π 1 + Zadaia róże W tym rozdziale zajdują się zadaia ietypowe, często dotyczące łańcuchów Markowa oraz własości zmieych losowych. Pojawią się także zadaia z estymacji Bayesowskiej.. (Eg 8/) Rozważamy łańcuch

Bardziej szczegółowo

1 Definicja całki oznaczonej

1 Definicja całki oznaczonej Definicj cłki oznczonej Niech dn będzie funkcj y = g(x) ciągł w przedzile [, b]. Przedził [, b] podzielimy n n podprzedziłów punktmi = x < x < x

Bardziej szczegółowo

Całka oznaczona. długość k-tego odcinka podziału P. punkt pośredni k-tego odcinka podziału P. Niech funkcja f będzie ograniczona na przedziale

Całka oznaczona. długość k-tego odcinka podziału P. punkt pośredni k-tego odcinka podziału P. Niech funkcja f będzie ograniczona na przedziale Cł ozczo. De.1. Podziłem odci części, N, zywmy ziór przy czym. Wprowdzmy ozczei: długość -tego odci podziłu P średic podziłu P put pośredi -tego odci podziłu P De.2 sum cłow Niech ucj ędzie ogriczo przedzile

Bardziej szczegółowo

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y

ma rozkład złożony Poissona z oczekiwaną liczbą szkód równą λ i rozkładem wartości pojedynczej szkody takim, że Pr( Y Zadaie. Łącza wartość szkód z pewego ubezpieczeia W = Y + Y +... + YN ma rozkład złożoy Poissoa z oczekiwaą liczbą szkód rówą λ i rozkładem wartości pojedyczej szkody takim, że ( Y { 0,,,3,... }) =. Niech:

Bardziej szczegółowo

Całka oznaczona. długość k-tego odcinka podziału P. punkt pośredni k-tego odcinka podziału P. Niech funkcja f będzie ograniczona na przedziale

Całka oznaczona. długość k-tego odcinka podziału P. punkt pośredni k-tego odcinka podziału P. Niech funkcja f będzie ograniczona na przedziale Cł ozczo. De.1. Podziłem odci części, N, zywmy ziór przy czym. Wprowdzmy ozczei: długość -tego odci podziłu P średic podziłu P put pośredi -tego odci podziłu P De.2 (sum cłow) Niech ucj ędzie ogriczo przedzile

Bardziej szczegółowo

Rozkłady prawdopodobieństwa 1

Rozkłady prawdopodobieństwa 1 Rozkłdy rwdoodoeństw Rozkłdy rwdoodoeństw. Rozkłdy dyskrete cągłe. W rzydku rozkłdu dyskretego określmy wrtośc rwdoodoeństw dl rzelczlej skończoej lu eskończoej lczy wrtośc zmeej losowej. N.... wszystke

Bardziej szczegółowo

Literatura do ćwiczeń: Program zajęć: dr Krzysztof Żyjewski Informatyka; rok I, I o.inż. 17 listopada 2015

Literatura do ćwiczeń: Program zajęć: dr Krzysztof Żyjewski Informatyka; rok I, I o.inż. 17 listopada 2015 dr Krzysztof Żyjewski Iformtyk; rok I, I o.iż. 17 listopd 015 Kotkt: e-mil: krzysztof.zyjewski@uwm.edu.pl kosultcje: po 18 listopd 7.55-8.55, pok. A0/19 (ie termiy możliwe po uprzedim kotkcie milowym)

Bardziej szczegółowo

Jednowymiarowa zmienna losowa

Jednowymiarowa zmienna losowa 1 Jednowymiarowa zmienna losowa Przykład Doświadczenie losowe - rzut kostką do gry. Obserwujemy ilość wyrzuconych oczek. Teoretyczny model eksperymentu losowego - przestrzeń probabilistyczna (Ω, S, P ),

Bardziej szczegółowo

Kurs Prawdopodobieństwo Wzory

Kurs Prawdopodobieństwo Wzory Kurs Prawdoodobieństwo Wzory Elemety kombiatoryki Klasycza deiicja rawdoodobieństwa gdzie: A - liczba zdarzeń srzyjających A - liczba wszystkich zdarzeń P A Tel. 603 088 74 Prawdoodobieństwo deiicja Kołmogorowa

Bardziej szczegółowo

Programowanie z więzami (CLP) CLP CLP CLP. ECL i PS e CLP

Programowanie z więzami (CLP) CLP CLP CLP. ECL i PS e CLP Progrmowie z więzmi (CLP) mjąc w PROLOGu: p(x) :- X < 0. p(x) :- X > 0. i pytjąc :- p(x). dostiemy Abort chcelibyśmy..9 CLP rozrzeszeie progrmowi w logice o kocepcję spełii ogriczeń rozwiązie = logik +

Bardziej szczegółowo

KONKURS MATEMATYCZNY dla uczniów gimnazjów w roku szkolnym 2012/13 III etap zawodów (wojewódzki) 12 stycznia 2013 r.

KONKURS MATEMATYCZNY dla uczniów gimnazjów w roku szkolnym 2012/13 III etap zawodów (wojewódzki) 12 stycznia 2013 r. KONKURS MTEMTYCZNY dl ucziów gimzjów w roku szkolym 0/ III etp zwodów (wojewódzki) styczi 0 r. Propozycj puktowi rozwiązń zdń Uwg Łączie uczeń może zdobyć 0 puktów. Luretmi zostją uczesticy etpu wojewódzkiego,

Bardziej szczegółowo

nazywamy odpowiednio dolną oraz górną sumą Darboux funkcji f w przedziale [a, b] wyznaczoną przez podział P.

nazywamy odpowiednio dolną oraz górną sumą Darboux funkcji f w przedziale [a, b] wyznaczoną przez podział P. Rozdził 10 Cłk Drboux 10.1 Doln i górn sum Drboux Definicj podziłu. Niech, b R, < b. Kżdy skończony ciąg P postci (10.1) P = (x 0,..., x n ), gdzie n N, = x 0 < x 1

Bardziej szczegółowo

Matematyka wybrane zagadnienia. Lista nr 4

Matematyka wybrane zagadnienia. Lista nr 4 Mtemty wyre zgdiei List r 4 Zdie Jeżeli ułd wetorów v, v przestrzei liiowej V ie jest liiowo iezleży, to mówimy, że wetory v, v są liiowo zleże Udowodić stępujące twierdzeie: Ułd wetorów v, v ( ) jest

Bardziej szczegółowo

Prawdopodobieństwo i statystyka r.

Prawdopodobieństwo i statystyka r. Zadaie. Wykoujemy rzuty symetryczą kością do gry do chwili uzyskaia drugiej szóstki. Niech Y ozacza zmieą losową rówą liczbie rzutów w których uzyskaliśmy ie wyiki iż szóstka a zmieą losową rówą liczbie

Bardziej szczegółowo

WYKŁAD 5. Typy macierzy, działania na macierzach, macierz układu równań. Podstawowe wiadomości o macierzach

WYKŁAD 5. Typy macierzy, działania na macierzach, macierz układu równań. Podstawowe wiadomości o macierzach Mtemtyk I WYKŁD. ypy mcierzy, dziłni n mcierzch, mcierz ukłdu równń. Podstwowe widomości o mcierzch Ogóln postć ukłdu m równń liniowych lgebricznych z n niewidomymi x x n xn b x x n xn b, niewidome: x,

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący

Bardziej szczegółowo

Główka pracuje - zadania wymagające myślenia... czyli TOP TRENDY nowej matury.

Główka pracuje - zadania wymagające myślenia... czyli TOP TRENDY nowej matury. Główk prcuje - zdi wymgjące myślei czyli TOP TRENDY owej mtury W tej pordzie 0 trudiejszych zdń Wiele z ich to zdi, których temt zczy się od wykż, udowodij, czyli iezbyt lubiych przez mturzystów Zdie Widomo,

Bardziej szczegółowo

W tym wykładzie zapoznamy się z podstawowymi metodami przybliżonego obliczania całek oznaczonych funkcji jednej zmiennej, tj.

W tym wykładzie zapoznamy się z podstawowymi metodami przybliżonego obliczania całek oznaczonych funkcji jednej zmiennej, tj. WYKŁAD 3 CAŁKOWANIE NUMERYCZNE Motywcj Wiele spotykych w prktyce cłek ie może być obliczo lityczie lub ich ścisłe obliczeie jest brdzo prcochłoe. Z drugiej stroy, brdzo często wystrczy zć jedyie przybliżoą

Bardziej szczegółowo

REPREZENTACJA SYGNAŁÓW

REPREZENTACJA SYGNAŁÓW REPREZENTACJA SYGNAŁÓW Spi reści:. Bzy ygłów.. Procedur oroormlizcyj. 3. Wielomiy, fukcje Hr i Wlh, fukcje gięe, rygoomerycze. 4. Sygły dwurgumeowe... -. -...5..5.3 Reprezecj ygłmi elemerymi.5 N = 8 =.9

Bardziej szczegółowo

1 Dwuwymiarowa zmienna losowa

1 Dwuwymiarowa zmienna losowa 1 Dwuwymiarowa zmiea loowa 1.1 Dwuwymiarowa zmiea loowa kokowa X = x i, Y = y k = p ik przy czym i, k N oraz p ik = 1; i k p i = X = x i = p ik dla i N; p k = Y = y k = p ik dla k N; k i F 1 x = p i dla

Bardziej szczegółowo

Twierdzenia graniczne:

Twierdzenia graniczne: Twierdzeia graicze: Tw. ierówośd Markowa Jeżeli P(X > 0) = 1 oraz EX 0: P X k 1 k EX. Tw. ierówośd Czebyszewa Jeżeli EX = m i 0 < σ = D X 0: P( X m tσ) 1 t. 1. Z partii towaru o wadliwości

Bardziej szczegółowo

Algebra macierzowa. Akademia Morska w Gdyni Katedra Automatyki Okrętowej Teoria sterowania. Mirosław Tomera 1. ELEMENTARNA TEORIA MACIERZOWA

Algebra macierzowa. Akademia Morska w Gdyni Katedra Automatyki Okrętowej Teoria sterowania. Mirosław Tomera 1. ELEMENTARNA TEORIA MACIERZOWA kdei Morsk w Gdyi Ktedr utotyki Okrętowej Teori sterowi lgebr cierzow Mirosłw Toer. ELEMENTRN TEORI MCIERZOW W owoczesej teorii sterowi brdzo często istieje potrzeb zstosowi otcji cierzowej uprszczjącej

Bardziej szczegółowo

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe

Zdarzenia losowe, definicja prawdopodobieństwa, zmienne losowe Metody probabilistycze i statystyka Wykład 1 Zdarzeia losowe, defiicja prawdopodobieństwa, zmiee losowe Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki

Bardziej szczegółowo

0.1 ROZKŁADY WYBRANYCH STATYSTYK

0.1 ROZKŁADY WYBRANYCH STATYSTYK 0.1. ROZKŁADY WYBRANYCH STATYSTYK 1 0.1 ROZKŁADY WYBRANYCH STATYSTYK Zadaia 0.1.1. Niech X 1,..., X będą iezależymi zmieymi losowymi o tym samym rozkładzie. Obliczyć ES 2 oraz D 2 ( 1 i=1 X 2 i ). 0.1.2.

Bardziej szczegółowo

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7

Estymacja. Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych. Wykład 7 Metody probabilistycze i statystyka Estymacja Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu.

( ) Elementy rachunku prawdopodobieństwa. f( x) 1 F (x) f(x) - gęstość rozkładu prawdopodobieństwa X f( x) - dystrybuanta rozkładu. Elementy rchunku prwdopodoeństw f 0 f() - gęstość rozkłdu prwdopodoeństw X f d P< < = f( d ) F = f( tdt ) - dystryunt rozkłdu E( X) = tf( t) dt - wrtość średn D ( X) = E( X ) E( X) - wrncj = f () F ()

Bardziej szczegółowo

nazywamy n -tym wyrazem ciągu ( f n

nazywamy n -tym wyrazem ciągu ( f n Rk II Temt 7 SZEREGI FUNKCYJNE SZEREG POTĘGOWY SZEREG TAYLORA Ciąg ukcyjy Szeregi ukcyje Zbieżść jedstj Szereg ptęgwy Prmień zbieżści szeregu ptęgweg Szereg Tylr Ciąg ukcyjy Niech U zcz iepusty pdzbiór

Bardziej szczegółowo

CIĄGI LICZBOWE. Naturalną rzeczą w otaczającym nas świecie jest porządkowanie różnorakich obiektów, czyli ustawianie ich w pewnej kolejności.

CIĄGI LICZBOWE. Naturalną rzeczą w otaczającym nas świecie jest porządkowanie różnorakich obiektów, czyli ustawianie ich w pewnej kolejności. CIĄGI LICZBOWE Nturlą rzeczą w otczjącym s świecie jest porządkowie różorkich obiektów, czyli ustwiie ich w pewej kolejości. Dl przykłdu tworzymy różego rodzju rkigi, p. rkig jlepszych kierowców rjdowych.

Bardziej szczegółowo

Estymacja przedziałowa

Estymacja przedziałowa Metody probabilistycze i statystyka Estymacja przedziałowa Dr Joaa Baaś Zakład Badań Systemowych Istytut Sztuczej Iteligecji i Metod Matematyczych Wydział Iformatyki Politechiki Szczecińskiej Metody probabilistycze

Bardziej szczegółowo

Maciej Grzesiak Instytut Matematyki Politechniki Poznańskiej. Całki oznaczone. lim δ n = 0. σ n = f(ξ i ) x i. (1)

Maciej Grzesiak Instytut Matematyki Politechniki Poznańskiej. Całki oznaczone. lim δ n = 0. σ n = f(ξ i ) x i. (1) Mciej Grzesik Istytut Mtemtyki Politechiki Pozńskiej Cłki ozczoe. Defiicj cłki ozczoej Niech d będzie fukcj f ciągł w przedzile [, b]. Przedził [, b] podziey podprzedziłów puktmi = x < x < x

Bardziej szczegółowo

Ekoenergetyka Matematyka 1. Wykład 15. CAŁKI OZNACZONE. Egzaminy I termin poniedziałek :00 Aula B sala 12B Wydział Informatyki

Ekoenergetyka Matematyka 1. Wykład 15. CAŁKI OZNACZONE. Egzaminy I termin poniedziałek :00 Aula B sala 12B Wydział Informatyki Ekoenergetyk Mtemtyk 1. Wykłd 15. CAŁKI OZNACZONE Egzminy I termin poniedziłek 31.01 14:00 Aul B sl 12B Wydził Informtyki Definicj (podził odcink) II termin poprwkowy czwrtek 9.02 14:00 WE-030 Podziłem

Bardziej szczegółowo

Całka oznaczona. długość k-tego odcinka podziału P. średnica podziału P. punkt pośredni k-tego odcinka podziału P

Całka oznaczona. długość k-tego odcinka podziału P. średnica podziału P. punkt pośredni k-tego odcinka podziału P Cł ozczo. De.. Podziłem odci części, N, zywmy ziór przy czym. Wprowdzmy ozczei: długość -tego odci podziłu P średic podziłu P put pośredi -tego odci podziłu P De. sum cłow Niech ucj ędzie ogriczo przedzile

Bardziej szczegółowo